基于K-最近邻算法构建红酒分类模型
描述
Wine红酒数据集是机器学习中一个经典的分类数据集，它是意大利同一地区种植的葡萄酒化学分析的结果，这些葡萄酒来自三个不同的品种。数据集中含有178个样本，分别属于三个已知品种，每个样本含有13个特征（即13个化学成分值）。任务是根据已知的数据集建立分类模型，预测新的葡萄酒数据的类别。
任务内容包括：
1、 加载红酒数据并使用Matplotlib将数据可视化
2、 将数据集随机拆分为训练集和测试集
3、 构建K-最近邻算法分类模型并评估其准确性
源码下载链接
环境
操作系统：Windows 10、Ubuntu18.04
工具软件：Anaconda3 、Python3.7
硬件环境：无特殊要求
依赖库列表
matplotlib 3.3.4numpy 1.19.5pandas1.1.5scikit-learn0.24.2mglearn 0.1.9
任务分析
红酒数据集包括178条红酒样本数据，每个样本有13个特征值（13个化学成分测量值），同时还给出了这178条红酒样本对应的品种（共三个种类——class0、class1、class2）。我们需要根据这些数据建立红酒分类模型，并能够预测新的样本数据的品种。因为样本数据中已经包含了对应的红酒品种（即数据的标签），所以这是一个监督学习中的分类（Classification）问题。
本任务涉及以下几个环节：
a）加载、查看红酒数据集
b）数据可视化
c）将数据拆分为训练集与测试集
d）构建模型并评估、预测
任务实施
1、 加载、查看红酒数据集
红酒数据集是Scikit-learn自带的数据集，我们通过load_wine ()函数来加载。
from sklearn.datasets import load_winefrom sklearn.model_selection import train_test_splitfrom sklearn.neighbors import KNeighborsClassifierimport numpy as npimport pandas as pdimport matplotlib.pyplot as plt# 加载wine数据集wine = load_wine()print(wine.keys()) # 查看数据集构成print('shape of data:', wine.data.shape) # 查看样本数据的形状print('shape of target:', wine.target.shape) # 查看标签数据的形状print('target_names:', wine.target_names) # 查看红酒类别名称print('feature_names:', wine.feature_names) # 样本的十三个特征名称
输出结果：
dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names'])shape of data: (178, 13)shape of target: (178,)target_names: ['class_0' 'class_1' 'class_2']feature_names: ['alcohol', 'malic_acid', 'ash', 'alcalinity_of_ash', 'magnesium', 'total_phenols', 'flavanoids', 'nonflavanoid_phenols', 'proanthocyanins', 'color_intensity', 'hue', 'od280/od315_of_diluted_wines', 'proline']
通过keys()函数可以查看数据集中有哪些Keys（即数据项），依次查看其数据项。
使用pandas查看数据：
# 使用pandas查看样本数据df = pd.DataFrame(wine.data, columns=wine.feature_names)df
输出结果：
2、 数据集可视化
红酒数据样本有13个特征，任意2个都可以形成1幅散点图，这里我们随机选2个特征，生成10幅散点图，查看数据分布情况。
import random# wine数据集可视化fig = plt.figure(figsize=(16,25)) # 定义画板尺寸data = wine.data # 样本数据target = wine.target # 数据标签target_names = wine.target_names # 标签名称feature_names = wine.feature_names # 特征名称# 任选2个特征生成散点图，共生成10个子图for i in range(10):random_feature = random.sample(range(13), 2) # 任选2个特征ax = fig.add_subplot(5, 2, i+1) # 添加子图（5行2列，第i+1个子图）for j in range(3): # 依次显示每个种类（共3类）的数据ax.scatter(data[:,random_feature[0]][target==j], data[:,random_feature[1]][target==j], label=target_names[0])ax.set_xlabel(feature_names[random_feature[0]], fontsize=15)ax.set_ylabel(feature_names[random_feature[1]], fontsize=15)ax.legend()plt.show()
显示结果：
红酒数据集有13个特征，可以形成一个13维的空间，为了方便显示，我们只是在2维空间里（每次随机选2个特征作为X轴和y轴）对数据进行简单可视化。
可视化的目的是更好地了解数据。从随机生成的散点图中可以发现，有些特征组合在2维空间上就已经比较容易分类（如图2和图4），有些特征组合在二维空间上的重叠度较高，不容易分类，需要考虑更多维度。
3、 将数据集拆分为训练集和测试集
Scikit-learn提供了train_test_split函数将红酒数据集（形状为（178, 13））随机拆分为训练集和测试集，参数除了样本数据和数据标签外，还包括：
test_size参数：测试集比例（默认为0.25）。random_state参数：随机数种子（为了固定随机结果，便于数据重现。如果不指定，每次拆分结果都不同）。
# 拆分数据集# test_size=0.25(25%作为测试集，75%作为训练集)# random_state=0(随机数种子，固定随机结果，便于数据重现)X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.25, random_state=0)print(X_train.shape, X_test.shape)
输出结果：
(133, 13) (45, 13)
4、 构建K-NN模型，评估并预测
# 构建模型model = KNeighborsClassifier(n_neighbors=3)model.fit(X_train, y_train) # 拟合训练数据# 评估模型score = model.score(X_test, y_test)print('Score:{:.2f}'.format(score))# 预测红酒种类y_pred = model.predict(X_test[:5]) # 预测测试集前五个样本的品种print(y_pred) # 打印预测结果print(y_test[:5]) # 打印实际品种
输出结果：
Score:0.73[0 1 1 0 1][0 2 1 0 1]
